CN104754606A - 一种基于信道预测的中继选择方法和系统 - Google Patents

Abstract

本发明涉及一种基于信道预测的中继选择方法和系统，包括步骤S1，对系统模型中每条链路的即时信噪比进行平滑处理；系统模型包括一个源节点S、一个目的节点D和含N_relay个DF类型的中继节点集S_relay＝{1,2,...,N_relay}；步骤S2，根据平滑处理的结果，计算每条链路的预测信噪比；步骤S3，根据预测信噪比，计算并选取特定中继节点i^*；步骤S4，确定源节点S处和特定中继节点i^*处的调制阶数；本发明能够快速感应信道的变化；既可以预测信道系数，也可以预测信噪比，还可用于通信技术的很多领域，如链路自适应技术、中继选择技术等，具有广泛的应用前景。

Description

一种基于信道预测的中继选择方法和系统

技术领域

本发明涉及无线协作通信领域，尤其涉及一种基于信道预测的中继选择方法和系统。

背景技术

协作分集技术是一种在无线通信中对抗多径效应的有效方式，该技术通过引入中继节点来协助发送端与接收端之间的信息通信，使得传输路径得到共享，这样可以明显提高网络吞吐量和信息传输的可靠性。自适应调制是一种在无线通信衰落信道中提高数据率和频谱效率的强有力的技术手段。将协作通信技术与自适应调制技术相结合，不仅可以极大地提高系统的频谱效率，还可以明显地改善通信系统的其他性能。

获得良好的自适应调制性能需要发射端提供准确的信道状态信息(CS I)。早先的研究中对自适应调制系统的设计和其性能的评价是基于完美信道状态信息(CSI)的假设，但在实际的系统中，因为存在计算和传播的延迟使得这些延迟的CSI变成过时的，因此这种假设是有缺陷的。一种有效的解决办法是采用信道预测，现有的研究已有不少信道预测的方法。有的研究采用无偏维纳预测器估计当前的信道状态，有的采用长范围信道预测器，还有的采用基于导频符号协助调制的信道预测等等。这些预测方法虽然具有一定的准确性和可行性，但是由于实际中的移动通信环境也存在快时变的情形，使得信道预测成为一个困难的问题，现有的预测方法不能很好地预测信道的快速、突然变化。因此，非常有必要研究新的适应信道快时变性的信道预测方法，并将这些方法创新性地应用到自适应调制协作通信系统中去。

发明内容

本发明所要解决的技术问题是提供一种基于信道预测的中继选择方法和系统，用于准确预测信道快速、突然的变化。

本发明解决上述技术问题的技术方案如下：一种基于信道预测的中继选择方法，包括以下步骤：

步骤S1，对系统模型中每条链路的即时信噪比进行平滑处理；

所述系统模型包括一个源节点S、一个目的节点D和含N_relay个DF类型的中继节点集S_relay＝{1,2,...,N_relay}；

所述链路包括源节点S到第i个中继节点之间的链路和第i个中继节点到目的节点D之间的链路，其中从源节点S经过第i个中继节点到达目的节点D的一整条链路称为中继链路i，其中i∈S_relay；

用a表示中继链路的前段或后段，a∈{1,2}，当a＝1时，表示源节点S到第i个中继节点之间的链路，当a＝2时，表示第i个中继节点到目的节点D之间的链路；

步骤S2，根据平滑处理的结果，计算每条链路的预测信噪比；

步骤S3，根据预测信噪比，计算并选取特定中继节点i^*；

步骤S4，确定源节点S处和特定中继节点i^*处的调制阶数。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，步骤S1中，用表示对每条链路通过信道估计得到的即时信噪比进行平滑处理得到的结果，其中n表示现在时刻，s表示滞后于现在时刻的时间，且s＝0,1,2,...,(N_sam-1)，N_sam表示每条链路已知的即时信噪比样本数，N_sam≥L_max+1，L_max表示预测范围，为大于或等于1的整数。

进一步地，步骤S2中，用表示n+L_max时刻的预测信噪比，用L表示超前于现在时刻的时间，且L＝1,2,...,L_max-1,L_max，则其中 ${\mathrm{\η}}_{n+L-1}=\left\{\begin{array}{cc}{\widetilde{\mathrm{\γ}}}_n^{(a,i)}& L=1\\ {\widehat{\mathrm{\γ}}}_{n+L-1}^{(a,i)}& L\≠1\end{array}\right.;$

${\hat{k}}_{n+L}^{(a,i)}=\underset{p=0}{\overset{N_{\mathrm{sam}}-2}{\mathrm{\Σ}}}{K}_p{\mathrm{\θ}}_p;$

l＝L-p-1；

${\mathrm{\α}}_p={\widetilde{\mathrm{\γ}}}_{n+l}^{(a,i)}-{\widetilde{\mathrm{\γ}}}_{n+l-1}^{(a,i)};$

${\mathrm{\&beta;}}_p=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+1}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_n^{(a,i)},& p=0\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0<p{\&le;N}_{\mathrm{sam}}-2\end{array}\right.;$

C_p＝μ_n+l-λ_n+l-1，

${\mathrm{\&mu;}}_{n+l}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& 0\&le;p<L-1\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& L-1\&le;p\&le;N_{\mathrm{sam}}-2\end{array}\right.;$

${\mathrm{\&lambda;}}_{n+l-1}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0\&le;p<L-2\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& L-2\&le;p\&le;N_{\mathrm{sam}}-3\end{array}\right.;$

其中，表示n+L时刻的预测信噪比；表示n+L时刻被预测的斜率；当L＝1时，η_n+L-1表示现在时刻的即时信噪比，当L≠1时，η_n+L-1表示n+L-1时刻的预测信噪比；为步骤S1中s＝0时的表示现在时刻的即时信噪比，为n+L-1时刻的预测信噪比；p表示预测时刻n+L前的斜率项数下标，K_p、α_p、β_p、C_p都表示n+L时刻前的第p个斜率；θ_p为FIR维纳滤波器的第p个系数；l表示超前或滞后于现在时刻的时间，l＞0表示超前于现在时刻，l＜0表示滞后于现在时刻，l＝0表示既不超前也不滞后；分别为步骤S1中s＝-l和s＝-(l-1)时的即表示n+l时刻和n+l-1时刻的即时信噪比；表示n+1时刻的预测信噪比；当0≤p＜L-1时，μ_n+l表示n+l时刻的预测信噪比，当L-1≤p≤N_sam-2时，μ_n+l表示n+l时刻的即时信噪比；当0≤p＜L-2时，λ_n+l-1表示n+l-1时刻的预测信噪比，当时，λ_n+l-1表示n+l-1时刻的即时信噪比；分别表示n+l时刻和n+l-1时刻的预测信噪比。

进一步地，步骤S2中，若计算得出的预测信噪比为负数，则将取为趋近于0的正数。

进一步地，步骤S3中，其中ζ_i是中继链路i的预测信噪比， ${\mathrm{\&zeta;}}_i=\min \{{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(1,i)},{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(2,i)}\},{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(1,i)},{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(2,i)}$ 分别为步骤S2中a＝1、a＝2时的分别表示n+L_max时刻源节点S到第i个中继节点之间链路的预测信噪比和n+L_max时刻第i个中继节点到目的节点D之间链路的预测信噪比。

进一步地，步骤S4中，用M_S和M_I分别表示源节点S处和中继节点i^*处的调制阶数，则当时，M_S＝M_j；时，M_I＝M_j；

其中，分别表示n+L_max时刻源节点S到由步骤S3中选定的第i^*个中继节点之间链路的预测信噪比和n+L_max时刻第i^*个中继节点到目的节点D之间链路的预测信噪比，表示划分信噪比区间的信噪比门限，j为信噪比门限下标，且j＝1,2,...,N，M_q为不同的调制阶数，q是调制阶数下标，且q＝1,2,3,...,N，N是调制阶数的数目，M₁＜M₂＜M₃＜...＜M_N；M_j表示q＝j时的调制阶数。

本发明解决上述技术问题的另一种技术方案如下：一种基于信道预测的中继选择系统，包括即时信噪比平滑处理模块、预测信噪比计算模块、特定中继节点选取模块和调制阶数确定模块；

所述即时信噪比平滑处理模块用于对系统模型中每条链路的即时信噪比进行平滑处理；所述系统模型包括一个源节点S、一个目的节点D和含N_relay个DF类型的中继节点集S_relay＝{1,2,...,N_relay}；所述链路包括源节点S到第i个中继节点之间的链路和第i个中继节点到目的节点D之间的链路，其中从源节点S经过第i个中继节点到达目的节点D的一整条链路称为中继链路i，其中i∈S_relay；用a表示中继链路的前段或后段，a∈{1,2}，当a＝1时，表示源节点S到第i个中继节点之间的链路，当a＝2时，表示第i个中继节点到目的节点D之间的链路；

所述预测信噪比计算模块用于根据平滑处理的结果，计算每条链路的预测信噪比；

所述特定中继节点选取模块用于根据预测信噪比，计算并选取特定中继节点i^*；

所述调制阶数确定模块用于确定源节点S处和特定中继节点i^*处的调制阶数。

本发明的有益效果是：本发明中的信道预测方法用FIR维纳滤波器预测相应的信道线性函数的斜率，能很好地追踪信道上升或者下降的部分，将预测范围切割成若干个足够小的时间片段，在这些小的时间片段内对信道使用上述预测方法连续预测，这样既能够达到补偿计算和传播延迟的效果，又能快速感应信道的变化；本发明既可以预测信道系数，也可以预测信噪比，可用于通信技术的很多领域，如链路自适应技术、中继选择技术等，具有广泛的应用前景。

附图说明

图1为本发明所述基于信道预测的中继选择方法的流程图；

图2为本发明所述基于信道预测的中继选择系统的结构图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种基于信道预测的中继选择方法，包括以下步骤：

步骤S1，对系统模型中每条链路通过信道估计得到的即时信噪比进行平滑处理得到系统模型包括一个源节点S、一个目的节点D和含N_relay个DF类型的中继节点集S_relay＝{1,2,...,N_relay}；链路包括源节点S到第i个中继节点之间的链路和第i个中继节点到目的节点D之间的链路，其中从源节点S经过第i个中继节点到达目的节点D的一整条链路称为中继链路i，其中i∈S_relay；用a表示中继链路的前段或后段，a∈{1,2}，当a＝1时，表示源节点S到第i个中继节点之间的链路，当a＝2时，表示第i个中继节点到目的节点D之间的链路。

的其中n表示现在时刻，s表示滞后于现在时刻的时间，且s＝0,1,2,...,(N_sam-1)，N_sam(N_sam≥L_max+1)为每条链路已知的即时信噪比样本数。平滑方法已有成熟算法，本发明不再赘述。

步骤S2，计算各条链路的预测信噪比表示n+L_max时刻的预测信噪比，L_max是预测范围，为大于或等于1的整数。根据如下算法求出(若由此算法得出的预测信噪比为负数，则将取为趋近于0的正数)：

${\widehat{\mathrm{\&gamma;}}}_{n+L}^{(a,i)}={\hat{k}}_{n+L}^{(a,i)}+{\mathrm{\&eta;}}_{n+L-1},L=\mathrm{1,2},...,L_{\max }-{1,L}_{\max };$

其中： ${\mathrm{\&eta;}}_{n+L-1}=\left\{\begin{array}{cc}{\widetilde{\mathrm{\&gamma;}}}_n^{(a,i)},& L=1\\ {\widehat{\mathrm{\&gamma;}}}_{n+L-1}^{(a,i)},& L\&NotEqual;1\end{array}\right.;$

${\hat{k}}_{n+L}^{(a,i)}=\underset{p=0}{\overset{N_{\mathrm{sam}}-2}{\mathrm{\&Sigma;}}}{K}_p{\mathrm{\&theta;}}_p;$

l＝L-p-1；

${\mathrm{\&alpha;}}_p={\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)};$

${\mathrm{\&beta;}}_p=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+1}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_n^{(a,i)},& p=0\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0<p\&le;N_{\mathrm{sam}}-2\end{array}\right.;$

C_p＝μ_n+l-λ_n+l-1；

${\mathrm{\&mu;}}_{n+l}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& 0\&le;p<L-1\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& L-1\&le;p\&le;N_{\mathrm{sam}}-2\end{array}\right.,{\mathrm{\&lambda;}}_{n+l-1}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0\&le;p<L-2\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& L-2\&le;p\&le;N_{\mathrm{sam}}-3\end{array}\right.;$

为n+L时刻的预测信噪比；为n+L时刻被预测的斜率；当L＝1时，η_n+L-1表示现在时刻的即时信噪比，当L≠1时，η_n+L-1表示n+L-1时刻的预测信噪比；L表示超前于现在时刻的时间；为步骤S1中s＝0时的表示现在时刻的即时信噪比；为n+L-1时刻的预测信噪比；p表示预测时刻n+L前的斜率项数下标，K_p、α_p、β_p、C_p都表示n+L时刻前的第p个斜率；θ_p为FIR维纳滤波器的第p个系数，可由Burg法、自相关法等方法求出，此处不赘述；分别为步骤S1中s＝-l和s＝-(l-1)时的分别表示n+l时刻和n+l-1时刻的即时信噪比；l表示超前或滞后于现在时刻的时间，l＞0表示超前于现在时刻，l＜0表示滞后于现在时刻，l＝0表示既不超前也不滞后；表示n+1时刻的预测信噪比；当0≤p＜L-1时，μ_n+l表示n+l时刻的预测信噪比，当L-1≤p≤N_sam-2时，μ_n+l表示n+l时刻的即时信噪比；当0≤p＜L-2时，λ_n+l-1表示n+l-1时刻的预测信噪比，当时，λ_n+l-1表示n+l-1时刻的即时信噪比；分别表示n+l时刻和n+l-1时刻的预测信噪比。

步骤S3，根据选取特定中继节点i^*。其中ζ_i是中继链路i的预测信噪比， ${\mathrm{\&zeta;}}_i=\min \{{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(1,i)},{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(2,i)}\},{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(1,i)},{\widehat{\mathrm{\&gamma;}}}_{{n+L}_{\max }}^{(2,i)}$ 分别为步骤S2中a＝1、a＝2时的分别表示n+L_max时刻源节点S到第i个中继节点之间链路的预测信噪比和n+L_max时刻第i个中继节点到目的节点D之间链路的预测信噪比。

步骤S4，根据的值分别确定源节点S处和特定中继节点i^*处采用的调制阶数M_S和M_I。令是划分信噪比区间的信噪比门限，j为信噪比门限下标，且j＝1,2,...,N，M_q为不同的调制阶数，q是调制阶数下标，且q＝1,2,3,...,N，N是调制阶数的数目，M₁＜M₂＜M₃＜...＜M_N；当时，M_S＝M_j；时，M_I＝M_j；M_j表示q＝j时的调制阶数。分别表示n+L_max时刻源节点S到由步骤S3中选定的第i^*个中继节点之间链路的预测信噪比和n+L_max时刻第i^*个中继节点到目的节点D之间链路的预测信噪比。

下面用具体的实施例对本发明作进一步的说明。

假设：N_relay＝3，即系统中有3个DF中继，则共有6条链路，L_max＝3，N_sam＝10。

第一步：对每条链路通过信道估计得到的即时信噪比进行平滑处理得到的(s＝0,1,2,...,9)如下所示：

(s＝0,1,2,...,9，s从9到0在下列数据中的顺序为从左到右，从上到下)为源节点S到第1个中继节点之间链路的即时信噪比：

2.04906258327061，7.89174638097110，5.83285868916796，10.0780233256582，12.4368192571503，9.51652144611978，9.42215066128493，8.57704080753092，7.61728785325639，6.42259070144384。

(s＝0,1,2,...,9，s从9到0在下列数据中的顺序为从左到右，从上到下)为源节点S到第2个中继节点之间链路的即时信噪比：

0.943885456309132，8.395403272303161，8.7964512077011，24.0677626903085，24.3476257228674，21.2492259910329，20.1016849507321，10.4204406404967，26.0355255388082，40.0093289432729。

(s＝0,1,2,...,9，s从9到0在下列数据中的顺序为从左到右，从上到下)为源节点S到第3个中继节点之间链路的即时信噪比：

16.3543800535462，20.6451383321932，23.8729979940389，39.3204114905070，46.4025042083555，73.9520301511271，75.3652296584983，138.372742765674，145.334770140200，169.311574151623。

(s＝0,1,2,...,9，s从9到0在下列数据中的顺序为从左到右，从上到下)为第1个中继节点到目的节点D之间链路的即时信噪比：

30.7539492311709，18.6710817237966，14.2279086074367，8.17923793336283，10.2525847502391，11.5117755878477，12.7105779096949，10.9479067018100，11.3041110255785，4.86619030508304。

(s＝0,1,2,...,9，s从9到0在下列数据中的顺序为从左到右，从上到下)为第2个中继节点到目的节点D之间链路的即时信噪比：

53.0417734813375，33.7259393845938，25.1678102855361，16.3395181698736，19.9662251949521，17.2955884719278，17.2102011146363，26.5263001851790，38.2090103115714，46.0428851250473。

(s＝0,1,2,...,9，s从9到0在下列数据中的顺序为从左到右，从上到下)为第3个中继节点到目的节点D之间链路的即时信噪比：

69.6424440951767，60.5062998383207，76.9564794644388，68.7478723553267，95.2484735872825，87.3210271313633，83.7672059253187，56.1386120218155，51.2499376277637，17.1691529462832。

第二步：计算各条链路的预测信噪比以预测(源节点S到第1个中继节点之间链路的预测信噪比)为例说明预测算法的过程，其他同理。

1. ${\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)}={\hat{k}}_{n+1}^{\left(\mathrm{1,1}\right)}+{\widetilde{\mathrm{\&gamma;}}}_n^{\left(\mathrm{1,1}\right)},{\widetilde{\mathrm{\&gamma;}}}_n^{\left(\mathrm{1,1}\right)}=6.42259070144384,{\hat{k}}_{n+1}^{\left(\mathrm{1,1}\right)}=\underset{p=0}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_p{\mathrm{\&theta;}}_p,$ ${\mathrm{\&alpha;}}_p={\widetilde{\mathrm{\&gamma;}}}_{n-p}^{\left(\mathrm{1,1}\right)}-{\widetilde{\mathrm{\&gamma;}}}_{n-p-1}^{\left(\mathrm{1,1}\right)},$ 将前面列出的数据代入上式得到p从0到8的9个α_p值分别为：

-1.19469715181255，-0.959752954274530，-0.845109853754011，-0.0943707848348510，-2.92029781103050，2.35879593149206，4.24516463649027，-2.05888769180313，5.84268379770048。

将以上数据代入并用Burg算法求得p从0到8的9个θ_p值分别为：

0.285109616249806，-0.695109316629640，-0.492438735359479，0.921146767733663，0.717447714863004，-0.427346816048515，-0.713492202289386，0.499021076579486，0.760219063561089。

再将上述的α_p和θ_p数据分别代入可求得 ${\hat{k}}_{n+1}^{\left(\mathrm{1,1}\right)}=-2.06203647709911,$ 则将 ${\widetilde{\mathrm{\&gamma;}}}_n^{\left(\mathrm{1,1}\right)}$ 和 ${\hat{k}}_{n+1}^{\left(\mathrm{1,1}\right)}$ 代入 ${\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)}={\hat{k}}_{n+1}^{\left(\mathrm{1,1}\right)}+{\widetilde{\mathrm{\&gamma;}}}_n^{\left(\mathrm{1,1}\right)}$ 可得 ${\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)}=4.36055422434473.$

2. ${\widehat{\mathrm{\&gamma;}}}_{n+2}^{\left(\mathrm{1,1}\right)}={\hat{k}}_{n+2}^{\left(\mathrm{1,1}\right)}+{\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)},{\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)}$ 上面已求出， ${\hat{k}}_{n+2}^{\left(\mathrm{1,1}\right)}=\underset{p=0}{\overset{8}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_p{\mathrm{\&theta;}}_p,$ ${\mathrm{\&beta;}}_p=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+1}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_n^{(a,i)},& p=0\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0<p\&le;N_{\mathrm{sam}}-2\end{array}\right.,$ 将前面列出的 ${\widetilde{\mathrm{\&gamma;}}}_{n-s}^{\left(\mathrm{1,1}\right)}$ 数据以及 ${\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)}$ 代入上式得到p从0到8的9个β_p值分别为：

-2.06203647709911，-1.19469715181255，-0.959752954274530，-0.845109853754011，-0.0943707848348510，-2.92029781103050，2.35879593149206，4.24516463649027，-2.05888769180313。

将以上数据代入并用Burg算法求得p从0到8的9个θ_p值分别为：

-0.902632361643411，0.257166651405083，-0.217968615227730，0.396894992217671，0.323291117495609，-0.104243730904520，0.201145061866209，-0.879482584042102，0.933035538913436。

再将上述的β_p和θ_p数据分别代入可求得 ${\hat{k}}_{n+2}^{\left(\mathrm{1,1}\right)}=-3.47838935229355,$ 则将 ${\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)}$ 和 ${\hat{k}}_{n+2}^{\left(\mathrm{1,1}\right)}$ 代入 ${\widehat{\mathrm{\&gamma;}}}_{n+2}^{\left(\mathrm{1,1}\right)}={\hat{k}}_{n+2}^{\left(\mathrm{1,1}\right)}+{\widehat{\mathrm{\&gamma;}}}_{n+1}^{\left(\mathrm{1,1}\right)}$ 可得 ${\widehat{\mathrm{\&gamma;}}}_{n+2}^{\left(\mathrm{1,1}\right)}=0.882164872051177.$

3. ${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,1}\right)}={\hat{k}}_{n+3}^{\left(\mathrm{1,1}\right)}+{\widehat{\mathrm{\&gamma;}}}_{n+2}^{\left(\mathrm{1,1}\right)},{\widehat{\mathrm{\&gamma;}}}_{n+2}^{\left(\mathrm{1,1}\right)}$ 上面已求出， ${\hat{k}}_{n+3}^{\left(\mathrm{1,1}\right)}=\underset{p=0}{\overset{8}{\mathrm{\&Sigma;}}}{C}_p{\mathrm{\&theta;}}_p,C_p={\mathrm{\&mu;}}_{n+l}-{\mathrm{\&lambda;}}_{n+l-1},$ l＝L-p-1； ${\mathrm{\&mu;}}_{n+l}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& 0\&le;p<L-1\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& L-1\&le;p\&le;N_{\mathrm{sam}}-2\end{array}\right.,{\mathrm{\&lambda;}}_{n+l-1}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0\&le;p<L-2\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& L-2\&le;p\&le;N_{\mathrm{sam}}-3\end{array}\right.;$ 将前面列出的数据以及代入上面的公式得到p从0到8的9个C_p值分别为：

-3.47838935229355，-2.06203647709911，-1.19469715181255，-0.959752954274530，-0.845109853754011，-0.0943707848348510，-2.92029781103050，2.35879593149206，4.24516463649027。

将以上数据代入并用Burg算法求得p从0到8的9个θ_p值分别为：

-0.391920896261398，1.00582564906806，-0.560645055988934，-0.00543390896782489，0.0736875564332178，-0.579828014195292，1.10325659217769，-0.313624513670995，0.826067895861302。

再将上述的C_p和θ_p数据分别代入可求得 ${\hat{k}}_{n+3}^{\left(\mathrm{1,1}\right)}=-0.498154518156747,$ 则将 ${\widehat{\mathrm{\&gamma;}}}_{n+2}^{\left(\mathrm{1,1}\right)}$ 和 ${\hat{k}}_{n+3}^{\left(\mathrm{1,1}\right)}$ 代入 ${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,1}\right)}={\hat{k}}_{n+3}^{\left(\mathrm{1,1}\right)}+{\widehat{\mathrm{\&gamma;}}}_{n+2}^{\left(\mathrm{1,1}\right)}$ 可得 ${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,1}\right)}=0.384010353894431.$

同理可求，其他链路的预测信噪比如下：

源节点S到第2个中继节点之间链路的预测信噪比：

${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,2}\right)}=44.5711819260697,$

源节点S到第3个中继节点之间链路的预测信噪比：

${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,3}\right)}=153.484439481062,$

第1个中继节点到目的节点D之间链路的预测信噪比：

${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{2,1}\right)}=6.57288067946045,$

第2个中继节点到目的节点D之间链路的预测信噪比：

${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{2,2}\right)}=50.0679850146203,$

第3个中继节点到目的节点D之间链路的预测信噪比：

${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{2,3}\right)}=26.1150821760296.$

第三步：根据选取特定中继节点i^*，其中ζ_i是中继链路i的预测信噪比，由上一步的数据可得：

中继链路1的预测信噪比 ${\mathrm{\&zeta;}}_1=\min \{{\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,1}\right)},{\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{2,1}\right)}\}=0.384010353894431,$

中继链路2的预测信噪比 ${\mathrm{\&zeta;}}_2=\min \{{\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,2}\right)},{\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{2,2}\right)}\}=44.5711819260697,$

中继链路3的预测信噪比 ${\mathrm{\&zeta;}}_3=\min \{{\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{1,3}\right)},{\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{2,3}\right)}\}=26.1150821760296;$

则即选取特定中继节点2。

第四步：根据的值分别确定源节点S处和特定中继节点2处采用的调制阶数M_S和M_I。假设N＝4，M₁＝4，M₂＝16，M₃＝64，M₄＝256，因为 ${\widehat{\mathrm{\&gamma;}}}_{n+3}^{\left(\mathrm{2,2}\right)}=50.0679850146203,$ 所以M_S＝M₂＝16，M_I＝M₂＝16。

如图2所示，一种基于信道预测的中继选择系统，包括即时信噪比平滑处理模块、预测信噪比计算模块、特定中继节点选取模块和调制阶数确定模块。

即时信噪比平滑处理模块用于对系统模型中每条链路的即时信噪比进行平滑处理；所述系统模型包括一个源节点S、一个目的节点D和含N_relay个DF类型的中继节点集S_relay＝{1,2,...,N_relay}；所述链路包括源节点S到第i个中继节点之间的链路和第i个中继节点到目的节点D之间的链路，其中从源节点S经过第i个中继节点到达目的节点D的一整条链路称为中继链路i，其中i∈S_relay；用a表示中继链路的前段或后段，a∈{1,2}，当a＝1时，表示源节点S到第i个中继节点之间的链路，当a＝2时，表示第i个中继节点到目的节点D之间的链路；

预测信噪比计算模块用于根据平滑处理的结果，计算每条链路的预测信噪比；特定中继节点选取模块用于根据预测信噪比，计算并选取特定中继节点i^*；调制阶数确定模块用于确定源节点S处和特定中继节点i^*处的调制阶数。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于信道预测的中继选择方法，其特征在于，包括以下步骤：

步骤S1，对系统模型中每条链路的即时信噪比进行平滑处理；

所述系统模型包括一个源节点S、一个目的节点D和含N_relay个DF类型的中继节点集S_relay＝{1,2,...,N_relay}；

所述链路包括源节点S到第i个中继节点之间的链路和第i个中继节点到目的节点D之间的链路，其中从源节点S经过第i个中继节点到达目的节点D的一整条链路称为中继链路i，其中i∈S_relay；

用a表示中继链路的前段或后段，a∈{1,2}，当a＝1时，表示源节点S到第i个中继节点之间的链路，当a＝2时，表示第i个中继节点到目的节点D之间的链路；

步骤S2，根据平滑处理的结果，计算每条链路的预测信噪比；

步骤S3，根据预测信噪比，计算并选取特定中继节点i^*；

步骤S4，确定源节点S处和特定中继节点i^*处的调制阶数。

2.根据权利要求1所述的基于信道预测的中继选择方法，其特征在于，步骤S1中，用表示对每条链路通过信道估计得到的即时信噪比进行平滑处理得到的结果，其中n表示现在时刻，s表示滞后于现在时刻的时间，且s＝0,1,2,...,(N_sam-1)，N_sam表示每条链路已知的即时信噪比样本数，N_sam≥L_max+1，L_max表示预测范围，为大于或等于1的整数。

3.根据权利要求2所述的基于信道预测的中继选择方法，其特征在于，步骤S2中，用表示n+L_max时刻的预测信噪比，用L表示超前于现在时刻的时间，且L＝1,2,...,L_max-1,L_max，则其中

${\mathrm{\&eta;}}_{n+L-1}=\left\{\begin{array}{cc}{\widetilde{\mathrm{\&gamma;}}}_n^{(a,i)},& L=1\\ {\widehat{\mathrm{\&gamma;}}}_{n+L-1}^{(a,i)},& L\&NotEqual;1\end{array}\right.;$

${\hat{k}}_{n+L}^{(a,i)}=\underset{p=0}{\overset{N_{\mathrm{sam}}-2}{\mathrm{\&Sigma;}}}{K}_p{\mathrm{\&theta;}}_p;$

l＝L-p-1；

${\mathrm{\&alpha;}}_p={\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)};$

${\mathrm{\&beta;}}_p=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+1}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_n^{(a,i)},& p=0\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)}-{\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0<p\&le;N_{\mathrm{sam}}-2\end{array},;\right.$

C_p＝μ_n+l-λ_n+l-1，

${\mathrm{\&mu;}}_{n+l}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& 0\&le;p<L-1\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l}^{(a,i)},& L-1\&le;p\&le;N_{\mathrm{sam}}-2\end{array}\right.;$

${\mathrm{\&lambda;}}_{n+l-1}=\left\{\begin{array}{cc}{\widehat{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& 0\&le;p<L-2\\ {\widetilde{\mathrm{\&gamma;}}}_{n+l-1}^{(a,i)},& L-2\&le;p\&le;N_{\mathrm{sam}}-3\end{array}\right.;$

其中，表示n+L时刻的预测信噪比；表示n+L时刻被预测的斜率；当L＝1时，η_n+L-1表示现在时刻的即时信噪比，当L≠1时，η_n+L-1表示n+L-1时刻的预测信噪比；为步骤S1中s＝0时的表示现在时刻的即时信噪比；为n+L-1时刻的预测信噪比；p表示预测时刻n+L前的斜率项数下标，K_p、α_p、β_p、C_p都表示n+L时刻前的第p个斜率；θ_p为FIR维纳滤波器的第p个系数；l表示超前或滞后于现在时刻的时间，l＞0表示超前于现在时刻，l＜0表示滞后于现在时刻，l＝0表示既不超前也不滞后；分别为步骤S1中s＝-l和s＝-(l-1)时的即表示n+l时刻和n+l-1时刻的即时信噪比；表示n+1时刻的预测信噪比；当0≤p＜L-1时，μ_n+l表示n+l时刻的预测信噪比，当L-1≤p≤N_sam-2时，μ_n+l表示n+l时刻的即时信噪比；当0≤p＜L-2时，λ_n+l-1表示n+l-1时刻的预测信噪比，当L-2≤p≤N_sam-3时，λ_n+l-1表示n+l-1时刻的即时信噪比；分别表示n+l时刻和n+l-1时刻的预测信噪比。

4.根据权利要求3所述的基于信道预测的中继选择方法，其特征在于，步骤S2中，若计算得出的预测信噪比为负数，则将取为趋近于0的正数。

5.根据权利要求3所述的基于信道预测的中继选择方法，其特征在于，步骤S3中，i^*＝argmax{ζ_i}，其中ζ_i是中继链路i的预测信噪比， 分别为步骤S2中a＝1、a＝2时的分别表示n+L_max时刻源节点S到第i个中继节点之间链路的预测信噪比和n+L_max时刻第i个中继节点到目的节点D之间链路的预测信噪比。

6.根据权利要求5所述的基于信道预测的中继选择方法，其特征在于，步骤S4中，用M_S和M_I分别表示源节点S处和中继节点i^*处的调制阶数，则当时，M_S＝M_j；时，M_I＝M_j；

其中，分别表示n+L_max时刻源节点S到由步骤S3中选定的第i^*个中继节点之间链路的预测信噪比和n+L_max时刻第i^*个中继节点到目的节点D之间链路的预测信噪比，表示划分信噪比区间的信噪比门限，j为信噪比门限下标，且j＝1,2,...,N，M_q为不同的调制阶数，q是调制阶数下标，且q＝1,2,3,...,N，N是调制阶数的数目，M₁＜M₂＜M₃＜...＜M_N；M_j表示q＝j时的调制阶数。

7.一种基于信道预测的中继选择系统，其特征在于，包括即时信噪比平滑处理模块、预测信噪比计算模块、特定中继节点选取模块和调制阶数确定模块；

所述即时信噪比平滑处理模块用于对系统模型中每条链路的即时信噪比进行平滑处理；所述系统模型包括一个源节点S、一个目的节点D和含N_relay个DF类型的中继节点集S_relay＝{1,2,...,N_relay}；所述链路包括源节点S到第i个中继节点之间的链路和第i个中继节点到目的节点D之间的链路，其中从源节点S经过第i个中继节点到达目的节点D的一整条链路称为中继链路i，其中i∈S_relay；用a表示中继链路的前段或后段，a∈{1,2}，当a＝1时，表示源节点S到第i个中继节点之间的链路，当a＝2时，表示第i个中继节点到目的节点D之间的链路；

所述预测信噪比计算模块用于根据平滑处理的结果，计算每条链路的预测信噪比；

所述特定中继节点选取模块用于根据预测信噪比，计算并选取特定中继节点i^*；

所述调制阶数确定模块用于确定源节点S处和特定中继节点i^*处的调制阶数。